기술 요약: HypergraphFormer

문제 정의

건축 평면도 생성은 경쟁적인 공간 및 기능적 요구사항을 균형 있게 조정해야 하는 복잡하고 반복적인 과정입니다. 자동 생성을 위한 기존 딥러닝 접근법은 일반적으로 두 가지 출력 표현 중 하나에 의존하며, 둘 다 구조적 한계를 가지고 있습니다:

1. 래스터 기반 방법: 공간 해상도가 픽셀 크기에 의해 제한되고, 벽이 암시적으로 인코딩되며, 사용 가능한 평면도를 복원하기 위해 상당한 후처리가 필요한 저해상도 픽셀 마스크를 생성합니다.
2. 벡터 기반 방법: 방별 다각형 또는 좌표 쌍을 예측하지만, 종종 고정된 경계 내의 축 정렬 직사각형으로 레이아웃을 제한하고 폐쇄 및 일관성을 위한 기하학적 후처리에 의존합니다.

또한, 기존 방법들은 편집 가능성(변경 사항에 대한 전체 재추론 또는 전용 학습 시간 메커니즘 필요), 데이터 효율성(방대한 데이터셋 필요), 그리고 분포 외 (OOD) 일반화(학습 데이터와 다른 경계 모양이나 방 개수를 가진 건축가 설계 평면도에서 실패) 에 어려움을 겪습니다. 최근 연구는 대규모 언어 모델 (LLM) 을 활용하지만, 기존 파이프라인은 종종 기하학 생성을 확산 또는 래스터 디코더에 위임하여 동일한 한계를 물려받습니다.

방법론

저자들은 아파트의 외곽 경계를 내부 레이아웃과 분리하는 표현 중심 프레임워크인 HypergraphFormer를 제안합니다. 픽셀이나 원시 기하학을 생성하는 대신, 이 모델은 구조화된 하이퍼그래프 텍스트 표현을 생성합니다.

하이퍼그래프 표현

Weber 등 [15] 에서 채택된 하이퍼그래프 표현은 평면도를 다음과 같이 분해합니다:

• 경계 (Boundary): 아파트 발자국을 정의하는 명시적인 다각형.
• 하이퍼그래프 (구조화된 JSON):
  • 이진 공간 분할 (BSP) 트리: 중간 노드는 내부의 이진 공간 분할을 인코딩하여 공간 분해를 계층적으로 표현합니다.
  • 리프 노드: 방별 의미론 (유형, 면적) 을 전달합니다.
  • 접속 그래프 (Access Graph): 방 간의 기능적 연결성 (문 연결) 을 포착합니다.

이 공식은 하이퍼그래프를 지정된 공간에 맞춤으로써 비맨해튼 (non-Manhattan) 모양을 포함한 임의의 사용자 지정 경계에 대한 평면도 생성을 가능하게 합니다.

학습 파이프라인

핵심 방법은 LoRA(Low-Rank Adaptation) 를 사용하여 작고 지시어 튜닝된 LLM(특히 Qwen3-4B) 을 지도 미세 조정 (SFT) 하는 것입니다.

• 입력: 방 연결성을 정의하는 접속 그래프.
• 출력: 구조적 불변성 (BSP 위상, 리프만 연결성, 면적 보존, 축 정렬 분할) 을 만족하는 하이퍼그래프 JSON 문자열.
• 학습 데이터: 모델은 하이퍼그래프 형식으로 변환된 RPLAN 데이터셋으로 학습됩니다.
• 추론: 모델은 접속 그래프에서 하이퍼그래프를 생성합니다. 그런 다음 하이퍼그래프는 사용자 지정 경계 내에서 기하학적 레이아웃으로 절차적으로 인스턴스화됩니다.

절차적 편집

시스템의 주요 특징은 LLM 을 다시 실행하지 않고 경량 결정론적 편집을 수행하는 후처리 파이프라인입니다:

1. 방 추가/제거: 예측된 방 다중 집합을 입력 접속 그래프와 정렬합니다.
2. 방향 선택: 방별 컴팩트성을 최대화하도록 레이아웃을 회전하거나 뒤집습니다.
3. 매개변수 최적화: 그라디언트 하강을 사용하여 BSP 분할 매개변수를 정제하여 방 면적 비율과 컴팩트성을 최적화합니다.

또한, 하이퍼그래프 형식은 BSP 트리와 접속 그래프를 직접 조작함으로써 고수준 편집 (예: 방 유형 교체, 크기 조정, 특정 방 방향 재설정) 을 위한 LLM 도구 호출을 지원합니다.

주요 기여

1. 표현: 경량 LLM 을 미세 조정하여 구조화된 하이퍼그래프 표현을 직접 생성할 수 있음을 입증하여, 래스터화나 방별 다각형 예측 없이 임의의 경계에 부합하는 평면도 생성을 가능하게 합니다.
2. 편집 가능성: 이 표현이 방 추가/제거, 회전, 면적 정제와 같은 빠르고 LLM 없는 절차적 편집과 도구 호출을 통한 고수준 편집을 가능하게 하여 기존 베이스라인보다 우수한 편집 가능성을 제공함을 보여줍니다.
3. 데이터 효율성: 베이스라인이 요구하는 학습 데이터의 일부만 사용하여 최첨단 (SOTA) 정확도와 일치하는 접근법을 보여주는 통제된 연구를 수행했습니다.
4. 분포 외 일반화: 크기와 침실 수, 경계 기하학의 분포가 RPLAN 학습 세트와 크게 다른 건축가 설계 평면도로 구성된 WMR24에서 강력한 일반화를 입증했습니다.
5. 자원: WMR24 데이터셋과 학습, 추론, 데이터셋 변환, 절차적 편집을 위한 전체 코드를 공개합니다.

결과

이 방법은 HouseGAN++, HouseDiffusion, iPLAN, DiffPlanner 등 SOTA 베이스라인에 대해 분포 내 (RPLAN) 및 분포 외 (WMR24) 에서 평가되었습니다.

• 구조적 정확도: RPLAN 에서 HypergraphFormer 는 HouseGAN++(6.0%) 와 HouseDiffusion(16.3%) 을 크게 능가하는 엄격한 접속 그래프 정확도 (A) **40.9%**를 달성했습니다. 설계에 따라 방 집합 다중 집합 정확도 (Atc) 는 **100.0%**를 달성했습니다.
• 기하학 및 타일링: 이 방법은 구성에 의해 **0.00%**의 경계 유출 ($\rho_{out}$) 과 **0.00%**의 방 겹침 ($\rho_{ovl}$) 을 달성한 반면, 다른 방법들은 상당한 타일링 위반을 보였습니다.
• OOD 일반화: WMR24 에서 HypergraphFormer 는 엄격한 정확도를 **52.5%**로 향상시켰고 거의 완벽한 다중 집합 정확도 (99.9%) 를 유지했습니다. 반면, 베이스라인은 성능이 붕괴되었습니다 (예: HouseDiffusion 의 정확도는 2.6% 로 하락).
• 데이터 효율성: 전체 데이터셋으로 학습된 HouseGAN++(8.5%) 및 HouseDiffusion(2.6%) 보다 적은 1,000 개 샘플(베이스라인 학습 데이터의 약 1.8%) 로 학습된 HypergraphFormer 는 WMR24 에서 더 높은 정확도 (12.3%) 를 달성했습니다.
• 시각적 품질: 정성적 비교에서 HypergraphFormer 는 겹치는 방이나 불가능한 레이아웃과 같은 일반적인 아티팩트를 피하고 경계를 정확히 타일링하는 시각적으로 그럴듯한 평면도를 생성함을 보여줍니다.

중요성과 주장

이 논문은 평면도 생성에서 편집 가능성, 데이터 효율성, OOD 일반화의 주요 동인이 모델 규모가 아닌 표현이라고 주장합니다. 고차원 기하학 대신 명시적 제약이 있는 작고 구조화된 객체인 하이퍼그래프를 방출함으로써 LLM 은 제약 조건을 정확하게 일치시킬 수 있습니다. 이를 통해 다음과 같은 것이 가능해집니다:

• 네이티브 편집 가능성: 구조적 변경은 텍스트 하이퍼그래프의 경량 편집에 해당하여 전체 재추론을 피합니다.
• 경계 독립성: 경계를 내부 레이아웃과 분리함으로써 임의의 비축 정렬 발자국을 가능하게 합니다.
• 강건성: 하이퍼그래프의 구성적 구조와 LLM 사전 지식의 결합은 학습 분포와 다른 건축가 설계 평면도에서 강건한 성능을 가능하게 합니다.

저자들은 HypergraphFormer 를 LLM 과 인간이 해석 가능한 설계 추상화를 통합하는 단계로 위치시키며, 원시 이미지 합성보다 구조화되고 편집 가능한 출력을 우선시합니다. 그들은 곡선 벽을 제외한 직선/직선 분할 가정과 단일 아파트 레이아웃에 초점을 맞추는 것과 같은 한계를 인정하며, 이를 향후 연구 방향으로 제안합니다.